4. 凯利公式实战：半凯利模型与分数凯利模型在行业轮动中的用法

说起凯利公式，很多做量化的朋友第一反应是——「那个用来算赌注的公式？」

没错，它确实起源于赌博。但在我眼里，它其实是资金管理领域最优雅的数学工具之一。尤其是做行业轮动策略时，凯利公式能帮你回答一个核心问题：每个行业该配多少仓位？

4.1 凯利公式的基本逻辑

先简单回顾一下标准凯利公式。对于单次下注，最优仓位比例 f* 是这样算的：

f* = (b * p - q) / b

其中：

• b 是赔率（盈亏比）
• p 是胜率
• q = 1 - p，是失败概率

说白了，这个公式告诉你：在已知胜率和赔率的情况下，每次应该押多大比例的本金，才能让长期复利增长最快。

但我得提醒你一句——标准凯利公式有个致命问题：它太激进了。

我在2018年做过一个回测，用标准凯利给行业ETF分配仓位。结果呢？策略净值曲线像过山车，最大回撤超过45%。虽然最终收益不错，但那个波动，说实话，没几个机构能扛得住。

4.2 半凯利模型：保守派的理性选择

所以，实战中我更推荐半凯利模型。做法很简单：

f_half = 0.5 * f*

也就是把标准凯利算出来的仓位砍一半。

为什么要这么做？我总结了两点：

1. 降低波动率：半凯利的最大回撤通常只有标准凯利的40%-50%
2. 容错空间更大：参数估计有误差时，半凯利不会让你爆仓

举个例子。假设某个行业轮动信号显示：

• 胜率 p = 0.6
• 赔率 b = 2.0（即盈亏比2:1）

标准凯利算出来：f* = (2*0.6 - 0.4) / 2 = 0.4，也就是40%仓位。

半凯利就是：f_half = 0.5 * 0.4 = 0.2，即20%仓位。

你想想看，20%仓位和40%仓位，心理压力完全不是一个量级。而且回测数据显示，半凯利的夏普比率往往更高。

4.3 分数凯利模型：更灵活的仓位管理

半凯利其实是分数凯利的一个特例。分数凯利模型允许你使用任意比例的标准凯利仓位：

f_fraction = α * f*

其中 α 是分数系数，取值范围通常在 0.1 到 1.0 之间。

我个人习惯把 α 和信号置信度挂钩。比如：

信号强度	置信度	α 取值
强信号（多因子共振）	高（>80%）	0.75
中等信号（2-3个因子支持）	中（60%-80%）	0.50
弱信号（单一因子）	低（<60%）	0.25

这样做的好处是：仓位大小不仅取决于历史统计，还融合了当前市场状态的判断。

我曾经踩过一个坑——2019年三季度，某个行业信号看起来完美，我直接用了0.8倍凯利。结果呢？那个行业突然遭遇政策利空，一周跌了12%。从那以后，我给自己定了个规矩：α 上限不超过0.75，除非你有十足的把握。

4.4 行业轮动中的实战用法

好了，理论讲完了。咱们来看看在行业轮动策略里，凯利公式到底怎么用。

核心流程分三步：

1. 计算每个行业的预期胜率和赔率
2. 用分数凯利算出每个行业的仓位比例
3. 归一化处理，确保总仓位不超过100%

具体来说，胜率 p 可以用历史回测中该行业信号发出后上涨的概率来估计。赔率 b 可以用预期涨幅除以预期跌幅来算。

举个实际例子。假设我们跟踪5个行业，某天的信号如下：

行业	胜率 p	赔率 b	标准凯利 f*	α	分数凯利
科技	0.65	1.8	0.31	0.75	0.23
消费	0.55	2.0	0.10	0.50	0.05
医药	0.60	1.5	0.13	0.50	0.07
金融	0.50	1.2	-0.17	0.25	0.00
能源	0.45	1.0	-0.10	0.25	0.00

注意看，金融和能源的标准凯利是负数。这意味着从凯利公式的角度看，这两个行业不值得配置任何仓位。只有科技、消费、医药三个行业有正期望。

归一化之后，最终仓位可能是：科技60%、消费20%、医药20%。

4.5 知识体系总览

下面这张图，是我自己整理的本节核心逻辑。你可以把它当作一个快速参考：

4.6 避坑指南

最后，分享几个我踩过的坑，希望能帮你少走弯路：

• 别用历史最优参数：回测中α=0.8表现最好，不代表未来也最好。我建议用α=0.5作为默认值。
• 注意行业相关性：凯利公式假设各行业独立。但现实中，科技和消费经常同涨同跌。如果两个行业高度相关，总仓位要打折。
• 动态调整频率：我一般每周重算一次仓位。太频繁（比如每天）会导致交易成本吃掉收益；太慢（比如每月）又会错过信号变化。
• 永远留现金：即使凯利公式算出满仓，我也会留5%-10%的现金。为什么？因为黑天鹅来临时，现金就是期权。

嗯，关于凯利公式在行业轮动中的用法，核心就是这些。记住一句话：凯利公式不是用来最大化收益的，而是用来最大化长期复利的。这两者之间，差了一个「风险管理」的距离。